本文提出了一种基于学习的通信方案，综合优化特征提取，源编码和信道编码，采用变分信息瓶颈框架构建可行的上界，使用稀疏诱导分布作为变分先验，提高边缘设备和强大边缘服务器的传输性能和速度。

Feb, 2021

在这篇论文中，我们提出了一种基于信息瓶颈原理和不变风险最小化框架的新方法，旨在提取紧凑且信息丰富的特征，以具备对领域转移和语义转移具有强大泛化能力的同时，在传输过程中保持紧凑性。我们在图像分类任务上的大量模拟结果表明，该方案优于当前的最先进方法，并实现了更好的率失真权衡。

May, 2024

本文提出了一种有效的边缘计算推理方法，并探讨了在设备模型的计算成本和中间特征的通信成本之间进行的关键权衡。通过模型拆分点选择、通信感知模型压缩和任务导向的中间特征编码，提出了一个三步框架来有效地进行推理，实验结果表明，与基准方法相比，我们的提出的框架具有更好的权衡，可以显著减少推理延迟。

Jun, 2020

下一代无线系统的重要应用是设备边缘协同推理，其中语义任务在设备和边缘服务器之间进行划分。该论文提出了一种新的系统解决方案，称为神经形态的无线设备边缘协同推理，旨在用神经形态硬件运行设备的感知、处理和通信单元，而服务器使用传统的无线电和计算技术，并通过以发射机为中心的信息论准则设计，以减少通信开销，同时保留与感兴趣的端到端语义任务相关联的最重要信息。标准数据集的数值结果验证了所提出的架构，并报告了初步的实验测试。

Apr, 2024

提出了一种任务导向的多设备人工智能系统的空中计算方案，其中包括边缘设备合作与边缘服务器完成无线网络上的推理任务，通过最小配对判别增益测量推理准确性，同时优化特征元素的最小判别增益和传输功率分配以提升推理性能。

Jul, 2024

本文提出了一种针对多设备分裂推理系统的任务导向的空中计算（AirComp）方案，旨在最大限度地减少聚合误差并最大化推理准确性。

Nov, 2022

本论文研究了目标导向的通信，提出了一种多任务深度学习方法，通过在发射机上训练一个共同的编码器和在接收机上训练个体的解码器，实现了多任务的联合优化和与多个接收方的通信。该方法在 6G 网络的边缘提供了高效的资源分配，能够适应不同的信道条件，达到任务特定的目标同时最小化传输开销。通过多任务学习联合训练编码器和解码器，可以捕捉到任务之间共享的信息并相应地优化通信过程。利用无线通信的广播特性，多接收方的目标导向通信（MTOC）减少了在不同接收方完成任务所需的传输次数。通过对 MNIST、Fashion MNIST 和 CIFAR-10 数据集进行性能评估，证明了 MTOC 相对于单一任务导向通信系统在分类准确性和资源利用方面的有效性。

Aug, 2023

该论文提出了一种任务导向通信的新方法，将信号的分类作为任务，并使用编码器 - 解码器对接收器、发射器和分类器功能进行联合训练，以提高准确性。此外，在深度学习用于任务导向通信时，对抗机器学习构成了一种安全威胁。

Dec, 2022

本研究介绍了一种深度学习方法，利用多模态图像和频谱数据相结合，实现动态频谱访问，并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象（例如可能携带发射器的车辆），我们提出了一种协作系统，其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策，以确定潜在的发射器是否存在。通过任务导向的通信，在发射器上使用编码器进行联合源编码、信道编码和调制，从而高效传输用于对象分类的精简维度的重要信息。同时，发送的信号可能会反射到物体并返回到发射器，从而实现目标感知数据的收集。然后，在发射器上对收集到的感知数据进行第二轮编码，通过任务导向的通信将降维后的信息传回融合中心。在接收端，解码器通过联合感知和任务导向的通信，执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练，实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型，我们展示了所提出方法的有效性，在各种信道条件下取得了发射器识别的高准确性，并保持低延迟的决策过程。

Dec, 2023

提出了基于联邦学习的语义通信框架（FLSC），旨在通过全局聚合改善多任务分布式图像传输，其中每个用户的每个链接由基于分层视觉变换器（HVT）的提取器和适应特定任务的适应性翻译器组成。通过仿真实验结果表明，FLSC 在粗略语义信息方面表现优秀，并在低信噪比和信道带宽比场景中明显优于传统方案。

Aug, 2023